[发明专利]一种多传感器选择性量测数据融合估计算法

说明书

本发明属于多传感器融合估计领域，公开了一种多传感器选择性量测数据融合估计算法。针对当前常规的数据融合算法应用于目标跟踪估计中存在的数据传输量大等缺点，本发明所提出的算法会选择各传感器量测数据中部分有价值数据提交给融合中心，提高数据的利用效率，在满足一定目标估计精度同时，大大降低结点之间数据的传输量。对于量测数据如何选则，本发明的方法基于人工神经网络与遗传算法相结合的思路，通过遗传算法优化，使多传感器跟踪系统在总的数据带宽一定时获得较好的目标跟踪估计效果。因此，本发明对于解决实际目标跟踪估计问题具有重要的现实意义。

技术领域

本发明属于多传感器融合估计领域，涉及一种多传感器选择性量测数据融合估计方法。

背景技术

多传感器融合估计问题是将传统的目标状态估计与数据融合理论相结合，基于多个传感器测量结果而进行的目标跟踪估计。针对水下环境的目标跟踪，由于常用的传感器如声纳的测量精度不高，加入多传感器的数据融合技术能够有效提高目标估计精度。此外，在水下环境中多个传感器节点之间的通信往往会受到限制，因此针对目标跟踪问题，研究如何在传感器节点间的数据传输带宽受限的情况下，对多传感器量测数据进行融合来保障较好的跟踪效果，是一个具有理论研究意义以及相关实际应用价值的问题。

当前常规的数据融合算法主要包括两类：分布式融合和集中式融合。分布式融合是指每个传感器在接收到量测数据后会进行预处理，然后将处理后的中间结果提交给融合中心，再进行融合，其优点是节点间的数据传输量非常低，但对目标的跟踪估计效果不佳；集中式融合是指将所有的传感器原始量测数据都提交给融合中心进行处理，理论上具有最优的融合结果，但该算法的数据传输量大，对不同结点间的数据传输带宽提出了很高的要求，在实际的水下目标跟踪估计中实现起来比较的困难。

为了在数据传输量受限的情况下对目标进行融合估计，本发明提出了一种基于选择性量测数据融合的算法。考虑到实际应用中每一时刻传感器往往获取的是一组量测数据，例如图像数据，一般只有部分量测数据包含着目标的信号，而其余的量测数据往往反映的是噪声和背景信息。该算法仅仅只是选择原始量测数据中比较有价值的一部分提交给融合中心，在满足一定目标估计精度同时，大大降低结点之间数据的传输量。

发明内容

本发明提出了一种多传感器选择性量测数据融合估计方法，在目标跟踪中融合多传感器数据，兼顾更好的跟踪效果和较低的数据传输量。并通过引入遗传算法进行优化，使多传感器跟踪系统在总的数据带宽一定时获得较好的目标跟踪估计效果。

本发明所提出的方法应用于同质多传感器目标跟踪系统，传感器类型主要是针对获取图像信息的传感器。该方法解决的问题是在各传感器结点总的数据带宽一定时，如何对传感器量测数据进行融合来获取较好的目标跟踪估计效果。

为了达到上述目的，本发明的技术方案为：

本发明所提出的多传感器选择性量测数据融合跟踪方法的数据融合结构如图1所示，与集中式融合类似，整个数据融合方法同样是将每个传感器所获取的量测数据提交给融合中心，在融合中心处进行量测数据的融合，然后基于融合后的量测数据对目标进行跟踪估计。不同的是，本发明所提出的方法并非将所有的原始量测数据都提交给融合中心，而是仅仅提交有价值的量测数据。如何选取有价值的量测数据则是本发明所提出方法的重点，本发明采用人工神经网络与遗传算法相结合的思路，以人工神经网络为整个量测数据选取的计算框架，并通过遗传算法来进行优化，使多传感器跟踪系统在总的数据带宽一定时获得较好的目标跟踪估计效果。